高光谱遥感图像分类方法综述
高光谱图像分类方法综述
高光谱图像分类方法综述作者：雷湘琦来源：《科学与财富》2020年第24期摘要：过去数十年中，高光谱图像的研究与应用已经完成了从无到有、从差到优的跨越式发展。
在对其研究的众多方面中，高光谱图像分类已经成为了一个最热的研究主题。
研究表明空间光谱联合的分类方法可以取得比仅依赖光谱信息的逐像素分类方法更好的分类效果。
本文将对众多的空间光谱联合分类方法进行归类和分析。
首先介绍高光谱图像中相邻像素间的两类空间依赖性关系，因而可将现有的空谱联合分类方法分为依赖固定邻域和自适应邻域两类。
关键词：高光谱遥感;图像分类引言高光谱遥感（Hyperspectral Image，HSI）是20世纪以来遥感发展中十分突出的一个方面。
其通过搭载在不同空间平台上的成像光谱仪和非成像光谱仪等高光谱传感器，在一定波谱范围内，以数十甚至数百个连续且细分的光谱波段对目标区域同时成像。
与多光谱遥感影像相比，高光谱影像不仅获得地表图像信息，同时也获得光谱信息。
但是，随着参与运算波段数目的增加，会出现分类精度“先增后降”的现象，即Hughes现象。
本文将对空间光谱联合分类的方法进行着重介绍和总结，还将对从前经典述各类算法进行总结归纳，探讨一些其中具有代表性的方法的原理，对其进行总结，以期找出其中的联系。
1;;;; HSI图像空谱联合分类方法高光谱图像分类的目标是依据样本特征为图像中的每个像元赋予类别标签。
不同地物具有不同的光谱曲线，因此有许多利用光谱信息的方法被提出来用于高光谱图像分类，代表性方法有支持向量机（Support Vector Machine，SVM）、稀疏表示分类（Sparse Representation Classification，SRC）等。
此类逐像素的分类方法有计算简单、便于拓展等特点，然而此类方法并未考虑样本的空间关联性，这会导致两个主要问题：1）在较小的样本下难以对如此高维的数据学习出一个高精度的分类器，这即是著名的休斯现象;2）高维的光谱特征往往会导致分类模型中需要估计参量的增加，这会造成过拟合以至于模型的泛化性能难以提升。
高光谱遥感影像分类方法综述
高光谱遥感影像分类方法综述作者：张佳谢玉凤来源：《安徽农学通报》2017年第14期摘要：该文简述了高光谱遥感影像分类的策略，主要有监督分类与非监督分类，基于分类判据的实现策略划分，硬分类和软分类，基于像素的分类和基于对象的分类，单分类器和多分类器集成。
并简单介绍了一些分类方法，包括监督分类法（最小距离分类法、最大似然分类法和平行多面体分类法）、基于光谱相似性度量的分类方法、人工神经网络分类法、支持向量机分类、决策树分类、面向对象分类和非监督分类。
关键词：高光谱；分类策略；分类方法中图分类号 TP751 文献标识码 A 文章编号 1007-7731（2017）14-0155-02随着遥感传感器的光谱分辨率不断提高，许多隐藏的狭窄光谱区间的地物特征逐渐被发现，精细的光谱波段分割，宽泛的光谱探测范围是高光谱遥感的重要特征。
当前使用的航空航天成像光谱仪，其光谱探测能力有了很大的提高，覆盖了可见光、近红外、短波红外、中波红外和热红外的全部光谱区。
高光谱遥感在国民经济、国防建设等方面发挥了重要的作用，广泛用于地表分类、目标探测、资源监测等。
高光谱遥感影像分类的目的是给予每一像元唯一的类别标识。
1 高光谱遥感影像分类的主要策略高光谱遥感影像分类的理论基础是“同谱同物”，同种地物具有相似的光谱特征及空间特征，在影像上呈现高度的相似，基于这种相似，可以实现对地区的识别。
在高光谱影像分类以每个像元的光谱矢量数据为基础，一个像元可以看成是N个特征组成的N维空间中的一个点，同类地物的像元形成N维空间中的一个点群，不同地物会在N维空间中形成若干个点群，计算机分类就是根据这些点群的位置，分布规律等，确定点群的界限，从而完成分类任务。
高光谱遥感分类主要策略如下：1.1 监督分类与非监督分类遥感影像分类最传统的两种实现策略是根据分类中是否引入了先验已知类别的训练样本，将其划分为监督分类与非监督分类，监督分类是利用已知的先验训练样本，依据判定函数或判别规则，确定未知样本的类别。
高光谱遥感影像分类方法
高光谱遥感影像分类方法
1、基于像素的分类：这种分类方法是针对每个像素进行分类，将像素的光谱信息作为输入特征，然后利用各种分类算法对像素进行分类。
常见的分类算法包括支持向量机、随机森林和神经网络等。
2、基于对象的分类：这种分类方法是先将高光谱图像中的目标或区域进行分割，然后提取分割后的区域或目标的特征信息进行分类。
基于对象的分类方法可以利用目标或区域的空间信息，提高分类精度和鲁棒性。
常见的基于对象的分类方法包括基于支持向量机（SVM）的目标分类方法、基于图论的目标分类方法和深度学习方法等。
高光谱遥感图像高效分类与解混方法研究
高光谱遥感图像高效分类与解混方法研究高光谱遥感兴起于20世纪80年代,是一种融合光谱学理论与成像技术的前沿技术。
高光谱遥感图像包含几十至几百个窄波段的光谱信息,能够为人类社会提供丰富且精细的观测数据。
地物识别与分析作为高光谱遥感图像的研究热点,是高光谱遥感图像处理的重要组成部分,主要可通过地物分类与像元解混两种技术实现。
地物分类技术是一种像元级处理技术,通过对观测像元进行类别标定与识别来完成对地物的分析与识别;而像元解混技术是一种亚像元级处理技术,通过对观测像元中所包含的不同纯地物进行分析并计算其含量来完成对地物的识别与分析。
虽然,高光谱图像具有光谱分辨率高及图谱合一的特点,可以为地物分类与像元解混处理提供丰富的细节信息,但同时给这两种技术带来了巨大的挑战和难度,主要原因有:(1)高光谱图像容易受到高光谱传感器在空间分辨率上的限制以及光照、大气、云层厚度等自然环境因素的影响,出现“同物异谱”和“异物同谱”的现象,这两种现象不同程度地增加了地物分类与像元解混的难度。
(2)高光谱图像光谱维度高,由小样本引起“Hughes”现象的出现,使高光谱图像地物识别性能呈现先增加后下降趋势。
(3)高光谱图像的大数据量给高光谱图像处理带来了极大的计算量。
针对上述高光谱图像在地物分类与像元解混中存在的问题,本文深入研究了基于人工神经网络的地物分类技术与基于稀疏回归的像元解混技术,提出了高效的地物分类方法和像元解混方法。
具体工作概括如下:一、基于优化极限学习机的高光谱图像分类方法研究针对高光谱图像数据量大,导致分类方法计算复杂度高、样本训练时间长等问题,本文开创性的将极限学习机方法应用在高光谱图像分类中,并提出了一种基于优化极限学习机的高效高光谱图像分类方法。
该方法研究并发掘出训练样本数目与隐层神经元数目之间存在一种经验的线性关系,且这种线性关系可从小样本数据集延伸至大样本数据集,因此避免了大样本数据集所带来的大计算量。
高光谱遥感影像分类方法综述
１ ． ２ 基于分类判据 的实现策略划分
高光谱数据分类 ， 每个像元在各个波段的灰度值或反射
率形 成一个光谱 向量 ， 通过对光谱 向量相似性 的度量实 现分类。 （ ２ ） 先对原始高光谱影像通过波段选择或者特征 提取进行降维处理 ， 然后根据一定的准则选择若干个降
１ 高光谱遥感影像分类的主要策略
高光谱遥感影像分类 的理论基础是“ 同谱 同物 ” ， 同 种地 物具有相似的光谱特征及空间特征 ， 在影像上呈现
高度 的相似 ， 基于这种相似 ， 可以实现对地区的识别 。在 高光谱影像分类 以每个像元的光谱矢量数据为基础 ， 一 个像 元可 以看 成是 Ｎ个特 征组成的 Ｎ维 空间 中的一个 点， 同类地物的像元形成 Ｎ 维空间中的一个点群 ， 不同地 物会 在 Ｎ维空 间中形成若干个点群 ， 计算机分类就是根 据这些点群的位 置 ， 分布规律等 ， 确定点群的界限 ， 从而 完成分类任务 。高光谱遥感分类主要策略如下 ： １ ． １ 监督分类与非监督分类 遥感影像分类最传统 的两 种实现策略是根据分类 中是否引入了先验已知类别的训 练样本 ， 将其划分为监督分类与非监督分类 ， 监督分类是 利用 已知的先验训练样本 ， 依据判定 函数或判别规则 ， 确 定未知样本 的类别 。非监督分类是在没有先验样本的情 况下 ， 根据样本本身的特征进行统计 ， 直接进行类别划分
作者简介 ： 张佳 （ １ ９ ９ ｌ 一） ， 女， 宁夏人 ， 研３ 卷１ ４ 期
张鑫童 等 滁 州市空气 质量 指数（ Ａ Ｑ Ｉ ） 与气象条件的关系分析
１ ６ ５
空气质量标 准［ ｓ ］ ． 北京： 中国环境科学出版社 ， ２ ０ １ ２ ．
卷积神经网络在高光谱图像分类中的应用综述
卷积神经网络在高光谱图像分类中的应用综述一、本文概述随着遥感技术的飞速发展，高光谱图像（Hyperspectral Images, HSIs）因其独特的光谱分辨率和丰富的空间信息，在军事侦察、环境监测、城市规划、农业管理等多个领域展现出广泛的应用前景。
然而，高光谱图像数据量大、信息冗余、类别复杂等特点，使得其处理与分析面临诸多挑战。
近年来，卷积神经网络（Convolutional Neural Networks, CNNs）在图像识别、分类等领域取得了显著的成功，其强大的特征提取和分类能力为处理高光谱图像提供了新的思路和方法。
本文旨在综述卷积神经网络在高光谱图像分类中的应用。
我们将简要介绍高光谱图像和卷积神经网络的基本原理；然后，重点分析并评述近年来CNN在高光谱图像分类领域的最新研究成果，包括不同的网络结构、优化策略以及性能表现；接着，我们将探讨CNN在高光谱图像分类中所面临的挑战和未来的发展趋势；总结CNN在高光谱图像分类中的优势和局限性，并提出相应的改进建议。
本文的综述旨在为相关领域的研究人员提供全面的参考和启示，推动卷积神经网络在高光谱图像分类领域的进一步发展。
二、高光谱图像分类基础高光谱图像（Hyperspectral Images，HSI）是一种包含连续且狭窄的光谱波段的三维图像数据，其特点是在每个像素位置上都具有丰富的光谱信息。
这使得高光谱图像在环境监测、地质勘探、农业管理以及军事目标识别等领域具有广泛的应用前景。
然而，由于高光谱数据的高维度和复杂性，传统的图像分类方法在处理这类数据时往往面临巨大的挑战。
因此，近年来，卷积神经网络（Convolutional Neural Networks，CNN）作为一种强大的深度学习模型，在高光谱图像分类中得到了广泛的关注和应用。
高光谱图像分类的目标是将图像中的每个像素或像素块（超像素）标记为预定义的类别之一，如森林、水体、城市等。
要实现这一目标，首先需要对高光谱图像进行预处理，包括噪声去除、光谱归一化、几何校正等步骤，以提高图像质量和后续分类的精度。
第7-2章-高光谱遥感图像分类
3、最大似然监督分类
最大似然法是经典的分类方法，已在宽波段遥感图像分类
中普遍采用。它主要根据相似的光谱性质和属于某类的概率最
大的假设来指定每个像元的类别。MLC法最大优点是能快速指定
被分类像元到若干类之中的一类中去 。
从概率统计分析，要想判别某位置的向量属于哪一个类别，
判别函数要从条件概率 Pwi X i 1 , 2 , 3 , 来, m决定，
gi X PX wi Pwi
是一组理想的判别函数。判别规则为若
Pwi PX wi Pw j PX w j 则
X wi
在最大似然法的实际计算中，常采用经过对数变换的形式
gi
x
lnPwi
1 2
lnSi
1 2
x
M
i
T
S
1
x
M
i
23
光谱角值（Spectral Angle Value）：像素或像素组之 间光谱角的大小为相似性量度
3
分类方法
分类执行方式：监督分类、非监督分类
分类模型或分类器：统计分类、模糊分类、邻域分 类、神经网络分类
参数分类和非参数分类：假定类的概率分布函数并 估计其分布参数
硬分类和软分类：像元属于一个类或多个类
第七章 高光谱遥感图像分类
1
基本概念
模式（pattern）: 在多波段图像中，每个像元
都具有一组对应取值，称为像元模式
特征（feature）: 在多波段图像中，每个波段
都可看作一个变量，成为特征变量
一个像元可以看成由n个特征组成的n维空间的一个点， 同类地物的像元形成n维空间的一个点群，差异明显的不 同地物会构成n为空间的若干个点群
高光谱遥感影像的特征提取与分类研究
高光谱遥感影像的特征提取与分类研究随着遥感技术的不断发展，高光谱遥感技术的应用越来越广泛。
高光谱遥感技术可以获取物体在不同波段的多光谱信息，这些信息可以帮助人类了解自然、环境和生态系统的变化，从而更好地保护自然资源。
高光谱遥感影像分类是高光谱遥感技术的一项重要应用，其目的是将高光谱遥感数据分成一些具有类似特征的类别。
高光谱遥感影像的特征提取有很多方法，其中最常用的是两种：光谱特征提取和空间特征提取。
光谱特征提取主要是通过分析不同波段的反射率谱线信息，对目标进行光谱特征分析。
在高光谱遥感数据中，不同的波段可以提供不同的物理信息。
根据这些信息可以将高光谱遥感数据进行降维处理，并计算出不同波段之间的关系，从而提取出目标的光谱特征。
空间特征提取主要是通过分析影像中目标的纹理、形态等空间特征，对目标进行空间特征分析。
高光谱遥感影像的空间特征主要是通过图像中纹理和形态特异性进行表达。
在进行空间特征提取时，我们通常会利用一些图像分割算法，将图像中的物体分割出来，然后提取出空间特征。
高光谱遥感影像分类主要是将高光谱遥感数据分为一些具有类似特征的类别。
目前较为流行的分类方法有：基于像元的分类、基于对象的分类、基于知识的分类和统计学习分类等。
其中，基于像元的分类是最常用的一种分类方法，其主要是依据像素的光谱反射率值进行分类。
基于对象的分类是将图像中的物体分割出来，针对每个物体对其进行特征提取和分类。
基于对象的分类在物体识别和多目标跟踪方面具有很好的效果。
近年来，基于阈值分割的方式，进行图像分割操作，然后对分割物体的特征进行分析，是常见的一种基于对象的图像分类方法。
基于知识的分类是根据专家对目标的认识和理解，利用专家知识对遥感数据进行分类。
这种方法主要是将决策树、专家系统、神经网络等方法相结合，进行遥感影像的分类操作。
统计学习分类是利用数学模型和统计方法来研究分类模型，并根据数据所呈现的分布规律来进行分类。
其中，常用的统计学习方法有支持向量机、最优化等算法。
高光谱遥感图像分类方法研究
分类晋工学硕士学位论文（高校教师）镕‰：——编号：．高光谱遥感图像分类方法研究硕士研究生：杨希明指导教师：赵春晖教授学利专业：通信与信息系统学位论文主审人：赵旦峰教授哈尔滨Ｉ程大学２００７年９Ｊ１哈尔滨ｒＴ程人学硕士学位论文摘要光谱分辨率的提高是光学遥感不断发展的趋势。
高光谱分辨率（简称为高光谱）遥感技术是过去二十年中人类在对地观测方面所取得的重大技术突破之一，是当前遥感的前沿技术。
由于高光谱所特有的高光谱分辨率的性质，其潜在的可应用性受到人们的广泛关注。
分类是获取高光谱信息的一种重要手段。
目前硬分类方法较多，但分类效果不够理想或是方法本身有待提升；传统软分类方法由于在分离中无关类别的参与以及光谱分离模型本身的不足导致光谱分离效果不够理想。
迭代自组数据分析（ＩＳＯＤＡＴＡ）算法是一种基于统计模式识别的非监督动态聚类划分算法，有较强的实用性。
支持向量机（ＳＶＭ）算法，作为基于统计学习理论的一种有良好推广性的高维非线性数据处理工具，得到了广泛应用。
它的核心是把样本非线性映射到高维特征空间，以结构风险最小化为归纳原则，在高维空间中构造最优分类超平面。
．为此，本文以迭代自组数据分析算法和支持向量机为主要理论，对超谱图像硬、软分类及相关技术进行了研究。
第一，阐述了高光谱遥感技术的概念，介绍了高光谱图像的特征模式并分析了高光谱图像数据的组成，阐述了硬分类、软分类以及监督无分类、无监督分类的研究现状、评价准则和现存的技术问题，支持向量机基本理论等，为课题研究的展开奠定基础。
第二，介绍了模糊ＩＳＯＤＡＴＡ算法的原理和实现步骤，结合高光谱遥感图像的特点，进行了高光谱遥感图像的分类，得到了理想的分类效果，并分析了参数的选取将对分类结果产生的影响。
同时也采用硬分类的ＩＳＯＤＡＴＡ算法，模糊Ｃ一均值算法对高光谱图像进行分类，并将结果与模糊ＩＳＯＤＡＴＡ算法进行了比较，试验结果表明，模糊ＩＳＯＤＡＴＡ算法在分类精度的改进上性能优于以上二种算法。
测绘技术中的遥感图像分类方法简介
测绘技术中的遥感图像分类方法简介遥感技术是现代测绘学中的重要分支，通过获取和解释远距离传感器获取的数据，可以帮助我们更好地了解和管理地球上的各种自然和人文资源。
其中，遥感图像分类便是遥感技术的核心应用之一。
本文将对遥感图像分类方法进行简要介绍。
一、遥感图像分类的概念和意义遥感图像分类是指根据图像中像素的特征和统计信息，将其划分为不同的类别或类别组合的过程。
通过遥感图像分类，我们可以识别和提取图像中所代表的不同地物、地貌、植被等信息，进而为资源管理、环境监测、灾害评估等领域提供数据支撑。
二、基于像素的图像分类方法1. 监督分类法监督分类法是指依赖于事先准备好的训练样本集合，在图像分类之前对数据进行训练和标记的方法。
通过对训练样本的特征提取和统计分析，监督分类法可以建立起一种分类模型，进而对图像中的未知像素进行分类。
2. 无监督分类法与监督分类法不同，无监督分类法并不依赖于事先准备好的训练样本集合，而是根据图像中像素之间的相似性进行自动分类。
无监督分类法通常采用聚类算法，比如K-means聚类和最大似然聚类等，将图像中的像素划分为不同的类别。
三、基于物体的图像分类方法1. 目标检测法目标检测法是将图像分类扩展到对图像中的目标物体进行检测和识别的方法。
目标检测法既可以基于像素进行分类，也可以基于目标物体的形状、纹理、光谱等特征进行分类。
通过目标检测法，可以精确地定位和识别图像中的目标物体，比如建筑物、车辆、植被等。
2. 地物识别法地物识别法是通过提取和匹配图像中地物的特征信息，将其与已知地物进行比对和识别的方法。
地物识别法通常使用机器学习和人工智能算法，例如支持向量机、决策树等，根据地物的形状、纹理、频谱等特征，对图像中的地物进行分类和识别。
四、遥感图像分类方法的发展趋势1. 多源数据融合随着遥感技术的不断发展，我们可以获取到更多类型的遥感数据，如多光谱、高光谱、雷达等数据。
这些数据源的融合可以提供更多的信息量和更准确的分类结果。
高光谱遥感影像分类算法 - SVM
高光谱遥感影像分类算法——SVM1高光谱遥感简介20 世纪 80 年代以来，遥感技术的最大成就之一就是高光谱遥感技术的兴起[1]。
高光谱遥感技术又称成像光谱遥感技术，始于成像光谱仪的研究[2]。
所谓高光谱遥感(Hyperspectral Remote Sensing)通俗地说就是指利用很多很窄的电磁波波段从感兴趣的物体中获取有关数据的方法。
高光谱遥感的最大特点是，在获得目标地物二维空间影像信息的同时，还可以获得高分辨率的可表征其地物物理属性的光谱信息，即人们常说的具有“图谱合一”的特性。
可见，与全色、彩色和多光谱等图像数据相比，高光谱影像革命性地把地物的光谱反射信息、空间信息和地物间的几何关系结合在了一起[3]。
因此，可以很客观地说，高光谱遥感是代表遥感最新成就的新型技术之一，同时也是目前国内外学者，特别是遥感领域的学者的研究热点之一[4-5]。
2高光谱遥感研究背景在以美国为代表的成像光谱仪研制成功，并获得高光谱影像数据后，高光谱遥感影像由于其蕴含了丰富的信息（包括地物的空间位置、结构以及光谱特性等信息）使得人们对地物的识别有了显著的提高，并且在许多方面和领域（比如，农业、林业、地质勘探与调查和军事等）都体现出了潜在的巨大应用价值[6]。
虽然高光谱影像数据的确为我们的提供了丰富的对地观测信息，但也正是因为高光谱庞大的数据量和高维数的问题使得我们目前对高光谱数据的处理能力显得较为低效，而这也在一定程度上制约了高光谱数据在现实生产和生活的广泛应用与推广[7-8]。
因此，为了响应人们对高光谱影像数据处理方法所提出的新的迫切要求，也为了充分利用高光谱数据所包含的丰富信息以最大程度地发挥高光谱的应用价值，我们必须针对高光谱数据的独有特点，在以往遥感图像数据处理技术的基础上，进一步改善和发展高光谱遥感影像处理分析的方法与技术。
3高光谱遥感分类研究3.1分类的意义分类是人类了解和认识世界的不可或缺的基本手段。
高光谱遥感图像分类方法研究
湘教版四年级数学春季学期期末知识回顾辅导检测题班级：姓名：满分：（100+20）考试时间：90分钟一、根据题意填空。
1. 书店运来故事书120本，卖了m本，还剩（______）本。
2. 在计算器上进行下面这些操作，最后在显示屏上会出现（______）。
9 4 5 ÷ 5 4 CE 4 5 ＝3. 在横线上填上“＞”“＜”或“=”。
3升________3200毫升 5升________500毫升7000毫升________7升 9升________990毫升4. 一只小狗1张嘴2只耳朵4条腿，n只小狗（______）张嘴（______）只耳朵（______）条腿。
5. 甲乙两人骑自行车同时从两地出发，相向而行，甲每小时骑行18千米，乙每小时骑行15千米，经过3小时两人相遇，两地相距（______）千米。
6. 一件上衣54元，一件裤子48元，买b套这样的衣服。
54b+48b表示（______）。
7. 填写下表：8. 国家能源局初步统计，到2012年底，我国已成为世界第一能源生产大国。
全国电力装机达到1140000000千瓦，其中水电装机达到249000000千瓦，居世界第一。
1140000000和249000000省略亿位后面的尾数分别约是（______）亿和（______）亿。
二、读懂题意选择正确答案。
1. 51×34＝50×34＋（）。
A.50B.1C.342. 125×5×6×8＝（125×8）×（5×6）应用了（）运算律。
A.乘法交换律B.乘法交换律和结合律C.乘法结合律3. 下面各式（）是方程。
A.4a＋8B.6b－9＞12C.3－x＋5D.2÷a＝44. 3.5＋1.9＋6.5＝（3.5＋6.5）＋1.9运用了（）。
A.加法交换律B.加法结合律C.加法交换律和结合律5. 下列各题中不能简算的是（）。
高光谱遥感影像分类与识别算法研究
高光谱遥感影像分类与识别算法研究一、引言高光谱遥感影像分类与识别算法，是当前高光谱遥感技术领域的研究热点，它涉及遥感影像的预处理、特征提取、分类识别等多个方面的技术。
高光谱遥感技术是将多个光谱段的数据捕捉下来形成一个多光谱数据集，从而为分析对象提供更为细致的光标记记录，对于地球表面等识别和分类具有很大的应用前景。
本文将从预处理、特征提取和分类识别三方面分析高光谱遥感影像分类与识别算法的研究进展。
二、预处理预处理是高光谱遥感影像分类识别算法的重要环节。
预处理的主要目的是将遥感影像数据进行预处理（如去除椒盐噪声、亮度均衡化、图像平滑化等），从而提高影像质量和准确性。
通常，预处理包括以下几个步骤：1. 去噪遥感影像数据往往受到噪声干扰，如椒盐噪声等，这些噪声会影响分类和识别结果的准确性。
因此，去噪是预处理的首要任务。
目前，常用的去噪方法有中值滤波、小波去噪和非局部均值去噪等。
2. 亮度均衡化遥感影像数据采集过程中，由于环境和光线条件的变化，地表物体的亮度值存在差异。
因此，亮度均衡化是预处理的又一重要任务。
常用的亮度均衡化方法有直方图均衡化、自适应直方图均衡化和CLAHE等。
3. 图像平滑化高光谱遥感影像数据中存在噪声和野外自然因素的影响，会导致影像质量下降。
为了消除这些影响，需要采用图像平滑化方法对影像数据进行处理。
常用的图像平滑化方法有均值滤波、高斯滤波和中值滤波等。
三、特征提取特征提取是高光谱遥感影像分类与识别算法中的关键问题。
正确的特征提取方法可以有效地提升分类和识别的准确率。
目前，特征提取的方法主要有以下几种：1. 基于统计的特征提取方法基于统计的特征提取方法是最常用的特征提取方法之一。
该方法利用统计学原理，从多维高光谱数据中提取重要的特征信息。
其优点是计算简单，易于实现。
常用的基于统计的特征提取方法有PCA、LPCA和ICA等。
2. 基于滤波的特征提取方法基于滤波的特征提取方法是通过卷积多个滤波器来提取高光谱影像的特征信息。
7 高光谱遥感图像分类
已知地表覆盖类型的代表样区 用于描述主要特征类型的 其精度直接影响分类
检验区
2021/6/24
用于评价分类精度的训练样区
8
样区选择示例
训练样区与检验区的选择：相互独立、不能重叠
2021/6/24
9
非监督分类：是在没有先验类别（训练场地）作为样
本的条件下，即事先不知道类别特征，主要根据像元间相 似度的大小进行归类合并（即相似度的像元归为一类）的 方法，例如K均值，isodata算法等。
其分类的结果，只是对不同类别达到了区分，并不确 定类别的属性，其属性是通过事后对各类的光谱响应 曲线进行分析，以及与实地调查相比较后确定的。
2021/6/24
10
聚类分析
非监督分类主要采用聚类分析方法，把一组像素 按照相似性归成若干类别。例如：K均值算法基 本思想是：通过迭代，移动各个基准类别的中心， 直至得到最好的聚类结果为止。该算法能使得聚 类域中所有样本到聚类中心的距离平方和最小。
除此之外，还有几何特征，多时相特征（融 合），数字变换特征（ＮＤＶＩ），高程信息 等。它们都可以作为分类的依据加入到分类模 型当中。
2021/6/24
4
2）分类判据
相似性作为分类判据的度量：可以表现为不同的
形式:
距离值（Distance Value）：像素或像素组信号特 征向量之间距离值的大小来衡量。假如样本均线性 可分－－欧式距离 假如样本正态分布－－马氏距 离，假如样本线性不可分－－似然度
2021/6/24
2
构造分类器
分类器如下图所示是把未知模式识别为已知模 式的工具，要实现这一功能，它由以下四个部 分组成：分类特征，分类判据，分类准则，分 类算法。
2021/6/24
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
高光谱遥感图像分类方法综述
张蓓
（长安大学理学院陕西·西安710064）
摘要高光谱遥感技术已经成为遥感技术的前沿领域，受到国内外的广泛关注。
而地物目标分类是高光谱数据处理的一个基本内容。
文中列举了一些高光谱遥感图像的分类方法，并对每种方法作简要介绍。
关键词高光谱遥感图像处理分类
中图分类号：TP751文献标识码：A
1高光谱遥感的简介
高光谱遥感技术是上世纪80年代发展起来的一种新兴的遥感技术，高光谱遥感利用很多窄的电磁波段（通常波段的宽度小于10nm）从感兴趣的物体中获取图像数据，一般它是在电磁波谱的可见光，近红外，中红外和热红外波段范围内，设置了几十甚至几百个连续波段，其光谱分辨率可高达纳米（nm）数量级。
由于许多地表物质的吸收特性仅表现在20~40nm的光谱分辨率范围内，高光谱遥感图像可以识别在宽波段遥感中不可探测的物质。
现在，遥感应用领域也更加拓宽，涉及全球环境，土地利用，资源调查，自然灾害，以及星际探测等方面。
遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。
2高光谱遥感图像的分类方法
依据是否使用类别的先验知识，可分为监督分类和非监督分类。
2.1非监督分类
非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类；其分类的结果，只是对不同类别达到了区分，但并不确定类别的属性；其类属是通过事后对各类的光谱响应曲线进行分析，以及与实地调查数据相比较后确定的。
非监督分类主要的方法有K-均值聚类，ISODATA分类等。
K均值分类方法属于动态聚类法,其假定被用来表示样本空间的聚类中心的个数是预先知道的,这种假定本身在某种程度上限制了这一类方法的利用,它使聚类域中所有样本到聚类中心的距离平方和最小，这是在误差平方和准则的基础上得到的。
K均值分类方法简便易行。
这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果。
ISODATA分类又叫做迭代自组织数据分析技术，基本思想是通过设定初始参数而引入人机对话环节，并使用归并与分裂的机制，当某两类聚类中心距离小于某一阈值时，将它们合并为一类，当某类标准差大于某一阈值或其样本数目超过某一阈值时，将其分为两类。
在某类样本数目少于某阈值时，需将其取消。
非监督分类的主要优点是无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少。
但是无监督分类需要对其结果需进行大量分析及后处理，才能得到可靠分类结果。
2.2监督分类
监督分类就是先用某些己知训练样本让分类识别系统进行学习，待其掌握了各个类别的特征后，按照分类的决策规则进行分类下去的过程。
监督分类又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。
监督分类的主要分类方法有最大似然法、贝叶斯方法、K近邻法等。
最大似然比判决分类方法是建立在贝叶斯准则基础上的，其分类错误概率最小，是风险最小的判决分析，是典型的和应用最广的监督分类方法，偏重于集群分布的统计特性，并假定训练样本数据在光谱空间服从高斯正态分布。
该分类法错误最小精度高，是较好的一种分类方法。
不足的是传统的人工采样方法工作量大，效率低，加上人为误差的干扰，使得分类结果的精度较差。
最小距离分类法又称光谱距离，是用特征空间中的距离表示像元数据和分类类别的相似程度，在距离最小（相似度最大）的类别上对像元数据进行分类的方法。
K近邻分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。
该方法的思路是:如果一个样本在特征空间中的k个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别。
K近邻算法中，所选择的邻居都是已经正确分类的对象。
该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。
有监督分类的主要优点是可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度。
但是人为主观因素较强；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果。
3结束语
监督分类和非监督分类的根本区别点在于是否利用训练区来获取鲜艳的类别知识，监督分类根据训练区提供的样本选择特征参数，建立判别函数，对待分类点进行分类。
相比而言，非监督分类不需要更多的先验知识，它根据地物光谱特性进行分类。
参考文献
[1]杜培军,夏俊士,薛朝辉,等.高光谱遥感影像分类研究进展[J].遥感学报,2016,
20(2):236-256.
[2]Rahman S A E.Hyperspectral Imaging Classification Using ISODATA Algo-
rithm:Big Data Challenge[C]//Fifth International Conference on E-Learning.
IEEE,2015:247-250.
[3]陈进.高光谱图像分类方法研究[D].国防科学技术大学,2010.
科|学|技|术
—科教导刊（电子版）·2017年第10期/4月（上）—142。